Quelle: Obersteirische Rundschau (www.rundschau-medien.at)

Dear CPS team, thank you very much for this great and successful year. We all enjoyed our Christmas party at the kitchen. 

New Checklists from SSC

As of 20th of January 2024, the Vice Rector for studies, digitalization and international affairs, Thomas Prohaska, sent out new general guidelines for Mastertheses on the Montanuniversity of Leoben.

English Versions

• Guideline Supervision of Mastertheses
• Checklist Supervision of Masthertheses

German Versions

• Leitfaden Betreuung von Masterarbeiten für Betreuende
• Checkliste Betreuung von Masterarbeiten für Betreuende

German Version of the Checklists – CPS

• Checkliste Betreuer
• Checkliste Student

English Version of the Checklists – CPS

• Checklist Supervisor
• Checklist Student

FFG Projekt 01/03/2024-28/02/2027

Aushubmaterialien machen mit rund 42 Mio. t/a fast 60 % des österreichischen Abfallaufkommens aus, von denen 73 % deponiert und nur 8 % in Behandlungsanlagen eingebracht (BMK, 2021) und deren Outputströme größtenteils einer geringwertigen Verwendung, z.B. Untergrundverfüllung, zugeführt werden. Gleichzeitig werden in Österreich 55 Mio. t/a grundeigene mineralischer Rohstoffe abgebaut (Statista, 2022). Ursache für diese Diskrepanz sind die Herausforderungen bei der Materialdisposition, aber auch die günstige (ALSAG-freie) Deponierung von nicht kontaminierten Aushubmaterialien. Somit stellt die Verwendung von Aushubmaterialien einen ungenutzten Beitrag zur Kreislaufwirtschaft dar, welcher sich vor allem in der Schonung heimischer Ressourcen und in der Minimierung des CO₂ Ausstoß von Tiefbauprojekten bemerkbar macht (Galler, 2015).

Projektziele

• Erörterung von nachhaltigen Verwertungswegen aufgrund der geotechnischen, mineralogischen, petrographischen, geochemischen und hydrogeologischen Ergebnisse aus der geologischen Vorerkundung von geplanten und im Projekt bearbeiteten Tief- und Tunnelbaustellen
• Sensorbasierte Stoffstromcharakterisierung mittels online-Analyse von Wert- bzw Störstoffen durch LIBS und HyperSpecs sowie mineralogische Zusammensetzung durch Raman Spektroskopie am Förderband unter realen Bedingungen in der Tunnelforschungsanlage „Zentrum am Berg“ der MUL
• Entwicklung eines Qualitätssicherungssystems durch Erstellung eines Klassifikationsmodells, welches das Material durch KI-gestützten Abgleich der Ergebnisse der online Analyse mit gesetzlichen Anforderungen verschiedenen Recyclingpfaden bzw. Deponieklassen zuführt
• Baustofftechnische Überprüfung der aus dem Aushubmaterial hergestellten Produkte

Projekt Consortium

• Montanuniversität Leoben
  • Lehrstuhl für Subsurface Engineering (Koordinator)
  • Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft
  • Lehrstuhl für Cyber-Physical-Systems
• AGIR Austria GmbH
• AiDEXA GmbH
• LSA Laser Analytical Systems & Automations GmbH
• Austin Powder GmbH
• Master Builder Solutions
• Edaphos Engineering
• Daxner & Merl
• Universität Innsbruck, Materialtechnologie Innsbruck (MTI)
• ÖBB-Infrastruktur AG

Fördergeber

• Österreichische Forschungsförderungsgesellschaft mbH (FFG)

Project Information

In the NNATT project model research and experimental work is conducted to identify tunnel- and excavated material with sensor based classification and deep learning. Representative tunnel- and excavation material from Austria is sampled, mineralogically, chemically and geotechnically characterized, sensor based measured in preliminary tests and finally applied in a conceptual pilot plant for material classification at the Zentrum am Berg in Eisenerz. Additionally, the project focuses on opportunities for application in alternative building materials, resulting in saving of primary raw materials and the associated reduction of CO2 emissions.

In 2021, excavated materials, such as tunnel excavation, accounted for around 46.1 million tons, or 60% of Austria’s total waste. Our project proposes an innovative solution for the recycling of excavated materials from tunneling and construction projects by using spectral imaging technology data in deep neural networks to predict rocks and their recycling potentials. By implementing real-time material identification on a conveyor belt based on deep neural networks, we aim to feed the excavated material into a recycling chain. This cutting-edge technology enables us to identify the resources potential of the material, facilitating efficient processing and sorting both on-site and off-site.

The objectives of our project are fourfold: to conserve valuable resources in Austria by maximizing material reuse, to reduce the burden on landfills by minimizing waste disposal, to shorten transportation routes and decrease CO2 emissions associated with material transport, and to promote sustainable practices within the construction industry.

Through the integration of advanced technology and a commitment to sustainability, our project represents a significant step towards creating a future in which excavated material is considered a valuable resource that contributes to a circular economy.

Poster

• Science 4 Technology @ MUL: Click here for poster 
• Exner Poster Session: Click here for poster
• DGAW-Wissenschaftskongress: Click here for poster

Other

Website AVAW: https://www.avaw-unileoben.at/de/forschung/projekte/nnatt

Supervisor: Linus Nwankwo, M.Sc.;
Univ.-Prof. Dr Elmar Rückert
Start date: 30th October 2023

Theoretical difficulty: mid
Practical difficulty: High

Abstract

This thesis explores machine learning techniques for analysing onboard recordings from the TU Graz Racing Team, a prominent Formula Student team. The main goal is to design and train an end-to-end machine learning model to autonomously discern race courses based on sensor observations.

Further, this thesis seeks to address the following research questions:

• Can track markers (cones) be reliably detected and segmented from onboard recordings?
• Does the delineated racing track provide an adequate level of accuracy to support autonomous driving, minimizing the risk of accidents?
• How well does a neural network trained on simulated data adapt to real-world situations?
• Can the neural network ensure real-time processing in high-speed scenarios surpassing 100 km/h?

Tentative Work Plan

To achieve the objectives, the following concrete tasks will be focused on:

• Thesis initialisation and literature review:
  • Define the scope and boundaries of your work.
  • Study the existing project in [1]  and [2] to identify gaps and methodologies.
  •  
• Setup and familiarize with the simulation environment
  • Build the car model (URDF) for the simulation (optional if you wish to use the existing one)
  • Setup the ROS framework for the simulation (Gazebo, Rviz)
  • Recommended programming tools: C++, Python, Matlab
  •  
• Data acquisition and preprocessing (3D Lidar and RGB-D data)
  • Collect onboard recordings and sensor data from the TU Graz Racing track.
  • Augment the data with additional simulated recordings using ROS, if necessary.
  • Preprocess and label the data for machine learning (ML). This includes segmenting tracks, markers, and other relevant features.
  •  
• Intermediate presentation:
  • Present the results of the literature study or what has been done so far
  • Detailed planning of the next steps
  •  
• ML Model Development:
  •  Design the initial neural network architecture.
  • Train the model using the preprocessed data.
  • Evaluate model performance using metrics like accuracy, precision, recall, etc.
  • Iteratively refine the model based on the evaluation results.
  •  
• Real-world Testing (If Possible):
  • Implement the trained model on a real vehicle’s onboard computer.
  • Test the vehicle in a controlled environment, ensuring safety measures are in place.
  • Analyze and compare the model’s performance in real-world scenarios versus simulations.
  •  
• Optimization for Speed and Efficiency (Optional):
  • Validate the model to identify bottlenecks.
  • Optimize the neural network for real-time performance, especially for high-speed scenarios
  •  
• Documentation and B.Sc. thesis writing:
  • Document the entire process, methodologies, and tools used.
  • Analyze and interpret the results.
  • Draft the thesis, ensuring that at least two of the research questions are addressed.
  •  
• Research paper writing (optional)
  •  

Related Work

[1]   Autonomous Racing Graz, “Enhanced localisation for autonomous racing with high-resolution lidar“, Article by Tom Grey, Visited 30.10.2023.

[2]   Autonomous RC car racing ETH Zürich, “The ORCA (Optimal RC Racing) Project“, Article by Alex Liniger, Visited 30.10.2023.

[3]   P. Cai, H. Wang, H. Huang, Y. Liu and M. Liu, “Vision-Based Autonomous Car Racing Using Deep Imitative Reinforcement Learning,” in IEEE Robotics and Automation Letters, vol. 6, no. 4, pp. 7262-7269, Oct. 2021, doi: 10.1109/LRA.2021.3097345.

[4]   Z. Lu, C. Zhang, H. Zhang, Z. Wang, C. Huang and Y. Ji, “Deep Reinforcement Learning Based Autonomous Racing Car Control With Priori Knowledge,” 2021 China Automation Congress (CAC), Beijing, China, 2021, pp. 2241-2246, doi: 10.1109/CAC53003.2021.9728289.

[5]   J. Kabzan, L. Hewing, A. Liniger and M. N. Zeilinger, “Learning-Based Model Predictive Control for Autonomous Racing,” in IEEE Robotics and Automation Letters, vol. 4, no. 4, pp. 3363-3370, Oct. 2019, doi: 10.1109/LRA.2019.2926677.

FFG K1-MET Project 07/2023-06/2026

This project aims at employing advanced data analyses and methodology in order to investigate process data from different processes in the steelmaking chain, generating process understanding and knowledge on correlations and causations in operation, as well as develop recommendation or warning systems for the operator in order to adjust and improve operation. Topics range from questions on operation and stability of the blast furnace (BF), to the production of ultra-clean steels with Ruhrstahl-Heraeus (RH) treatment and the optimization of the continuous casting (CC) process.

Work Packages

• WP1-4: Temperature irregularities in BF bottom/ hearth, mass balance of zinc and alkali elements, investigations of BF charging models/ charging profile, raceway monitoring analyses
• WP5: Image analysis and state classification at the RH plant
• WP6: Hybrid Mold – Data evaluations around the CC process

Expected Results

• (WP1-4) Blast furnace: Prediction of temperature irregularities, mass balances in BF operation, charging models and development of optimized charging strategies, analyses of raceway blockages and possible correlations with process parameters and image material, predictive maintenance for tuyeres
• (WP5) RH plant: Comprehensive benchmark case for machine learning algorithms, setup of an advisory algorithm for the operator to be warned of irregular states of the RH plant
• (WP6) Continuous Casting: Modelling of heat transfers in the mold based on a hybrid approach, combining data from sensors in the CC mold with physical/ metallurgical-based process models

Project Consortium

• Joanneum Research GmbH – Institute DIGITAL

• Johannes Kepler University Linz – Department of Particulate Flow

• Linz Center of Mechatronics – Area SENS

• Montanuniversität Leoben

  •  Chair of Cyberphysical Systems

  • Chair of Ferrous Metallurgy

• Primetals Technologies Austria GmbH

• voestalpine Stahl GmbH

• voestalpine Stahl Donawitz GmbH

Links

Details on the research project can be found on the project webpage.

Funding Agency

• Österreichische Forschungsförderungsgesellschaft mbH (FFG)

FFG, BMVIT Leitprojekt 07/2023-06/2026

Die metallverarbeitende Industrie ist bei ihrer Produktion auf hochwertigen Metallschrott angewiesen. Derzeit muss dieser nach Österreich importiert werden. Mit Juli startet nun ein FFG-Leitprojekt, das mit Hilfe von Künstlicher Intelligenz das Recycling von Metallverbundabfällen verbessern will.

Vor dem Hintergrund des „Europäischen Green Deals“ und des Kreislaufwirtschaftspaketes müssen Ressourcenverbrauch (minus 25 Prozent) und CO2-Emissionen (minus 55 Prozent) bis 2030 drastisch reduziert und gleichzeitig die Ressourceneffizienz massiv gesteigert werden. Bei Metallen ist der Ökologische Fußabdruck durch den Rohstoffeinsatz besonders hoch, gleichzeitig sind sie ideale Kandidaten fürs Recycling. Genau hier setzt das neue FFG- Leitprojekt an, und will mit Künstlicher Intelligenz die Qualität der metallischen Abfälle steigern.

Haushaltsschrotte und Schrotte aus Altfahrzeugen sowie Elektro-Altgeräten zeichnen sich durch einen hohen Metallgehalt aus und haben daher großes Potenzial zum Recycling. Leider fallen diese Metalle nicht sortenrein an, sondern in Form von Kunststoffmetallverbunden oder Legierungsmischungen. „Derzeit werden die Metalle geschreddert und aufgrund der minderen Qualität ins Ausland exportiert,“ erklärt Dr. Alexia Tischberger-Aldrian, Projektverantwortliche seitens des Lehrstuhls für Abfallverwertungstechnik und Abfallwirtschaft. Gleichzeitig importiert Österreich höherwertigen Schrott, der für die Metallproduktion sehr wichtig ist.

Projektziele

• Entwicklung einer KI unterstützten Sortierstraße zur Bereitstellung von definierten Metallfraktionen
• Entwicklung einer Prozess Modellierungs- und Optimierungsumgebung zur Erstellung von digitalen Zwillingen zur Prozesssimulation und Ableitung optimaler Handlungsempfehlungen
• Etablierung eines Datenflusses für recyclingrelevante Daten der im Projekt betrachteten Abfallströme
• Entwicklung und Bereitstellung einer intelligenten Redyclingplattform zur übergeordneten Prozessseuerung und Vernetzung von Stakeholdern
• Anwendung der entwickelten KI basierten Lösungen in relevanten Use Cases

Projekt Consortium

• Montanuniversität Leoben (Koordinator)
  • Lehrstuhl für Abfallverwertungstechnik und Abfallwirtschaft
  • Lehrstuhl für Cyber-Physical-Systems
• 7lytix gmbh
• Fabasoft R&D GmbH
• Bernegger GmbH
• voestalpine High Performance Metals GmbH
• Breitenfeld Edelstahl Aktiengesellschaft
• METTOP GmbH
• ETA Umweltmanagement GmbH
• Nekonata XR Technologies GmbH
• Mayer Recycling GmbH
• BT-Wolfgang Binder GmbH
• O.Ö. Landes-Abfallverwertungsunternehmen GmbH
• K1-MET GmbH
• Scholz Austria GmbH
• Andritz AG
• Software Competence Center Hagenberg GmbH
• voestalpine Stahl GmbH
• PROFACTOR GmbH
• Salzburg Research Forschungsgesellschaft m.b.H.

Fördergeber

• Österreichische Forschungsförderungsgesellschaft mbH (FFG)

• Bundesministerium für Verkehr, Innovation und Technologie (BMVIT)

CPS Presentation Template for Powerpoint or Libre Office

Find below a template for presentations related to the Chair of Cyber-Physical-Systems.

You may use these templates also for other lectures, courses, seminars or doctoral theses at other chairs at the Montanuniversität Leoben. However, do not remove the acknowledgement or copyright statement.

Presentation Template

Get the latest CPS presentation template from our cloud.

Date & Location: 20.10.2023 15:00-19:00

Overall, we could host more than 150 visitors which made our open lab day a great success. 

Chair of Cyber-Physical-Systems 
Metallurgiegebäude 1.Stock
Montanuniversität Leoben
Franz-Josef-Straße 18,
8700 Leoben, Austria

https://youtu.be/MmdgHSvDocY

Impressions of the last open lab day in 2023. 

English: Immerse yourself in the fascinating world of artificial intelligence and robotics. We present self-learning robots, mobile robot guides and how deep neural networks are learned. Children can experiment with our Lego EV3 robots and try to deliver snacks autonomously. Catering will be provided.

Deutsch: Tauchen Sie ein in die faszinierende Welt der künstlichen Intelligenz und Robotik. Wir präsentieren selbstlernende Roboter, mobile Roboterguides und wie tiefe neuronale Netze gelernt werden. Kinder können mit unseren Lego EV3 Robotern experimentieren und versuchen Snacks autonom auszuliefern. Für Verpflegung ist gesorgt.

Here we will put some pictures and videos of our open lab day on the 20th of October 2023.

Technician

Short bio: Mr. Kosmo Obermayer joined the CPS team in Sept. 2023 as apprentice for IT and telecommunication.  

At the chair of CPS, Mr. Obermayer manages our server and IT infrastructure, contributes to the creation of robotic systems, electronics, mechanical designs, and complex embedded systems. 

Research Interests

• Cloud Computing & Server Architectures
• IT infrastructure and networking
• Development of Robotic Systems 

Contact

Mr. Kosmo Obermayer
Lehrling am Lehrstuhls für Cyber-Physical-Systems
Montanuniversität Leoben
Franz-Josef-Straße 18, 
8700 Leoben, Austria 

Phone:  +43 3842 402 – 1901
Email: kosmo.obermayer@unileoben.ac.at 
Web:  https://cps.unileoben.ac.at